|
基于EEMD和小波阈值的短时交通流预测研究
马莹莹,靳雪振
2022, 41(06):
22-29.
DOI: 10.3969/j.issn.1674-0696.2022.06.04
为克服现有短时交通流预测方法未能充分考虑交通流的随机性、非线性特征,提出一种基于集合经验模态分解(empirical mode decomposition, EEMD)结合小波分析的短时交通流预测模型构建方法。首先,利用EEMD将原交通流数据分解为N个本征模态函数(intrinsic mode fuction, IMF)和1个趋势项(residual, Res);其次,使用小波分析对含噪声信号的本征模态函数进行小波分析处理;最后,提出两类模型构建方法:①将经过小波分析处理后的N个IMF和Res进行重构,将其分别输入长短期记忆网络模型(long short-term memory, LSTM)、序列模型(sequence to sequence, Seq2seq)和引入注意力机制序列模型(seq2Seq attention),模型输出即为最终预测值(方法1);②将小波分析处理后的IMF和Res分别输入LSTM模型、Seq2seq模型和Seq2Seq Attention模型,模型输出为各分量预测值,将其重构后即为最终预测值(方法2)。将两类模型预测方法分别与初始LSTM、Seq2seq和Seq2Seq Attention模型以及基于小波分析与LSTM、Seq2seq和Seq2Seq Attention模型的组合预测模型进行对比实验,结果表明:两类模型构建方法能够显著提升初始预测模型的预测性能,相较于基于小波分析的组合预测模型,其预测性能均有所提升,且相较于方法1,方法2对模型性能的提升效果更加显著。
参考文献 |
相关文章 |
计量指标
|